論文の概要: Performance Evaluation of Deep Learning-based Quadrotor UAV Detection and Tracking Methods

• arxiv url: http://arxiv.org/abs/2410.00285v1
• Date: Mon, 30 Sep 2024 23:37:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-05 06:35:59.500558
• Title: Performance Evaluation of Deep Learning-based Quadrotor UAV Detection and Tracking Methods
• Title（参考訳）: 深層学習型クアドロターUAV検出・追跡手法の性能評価
• Authors: Mohssen E. Elshaar, Zeyad M. Manaa, Mohammed R. Elbalshy, Abdul Jabbar Siddiqui, Ayman M. Abdallah,
• Abstract要約: 無人航空機(UAV)は様々な分野で人気を博し、多くの利点を提供しているが、プライバシーと安全性に重大な課題をもたらす。 本稿では,これらの問題に対処する四極子UAVの検出と追跡のための最先端のソリューションについて検討する。 切削エッジディープラーニングモデル、特にYOLOv5とYOLOv8シリーズは、UAVを正確かつ迅速に識別する性能で評価されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unmanned Aerial Vehicles (UAVs) are becoming more popular in various sectors, offering many benefits, yet introducing significant challenges to privacy and safety. This paper investigates state-of-the-art solutions for detecting and tracking quadrotor UAVs to address these concerns. Cutting-edge deep learning models, specifically the YOLOv5 and YOLOv8 series, are evaluated for their performance in identifying UAVs accurately and quickly. Additionally, robust tracking systems, BoT-SORT and Byte Track, are integrated to ensure reliable monitoring even under challenging conditions. Our tests on the DUT dataset reveal that while YOLOv5 models generally outperform YOLOv8 in detection accuracy, the YOLOv8 models excel in recognizing less distinct objects, demonstrating their adaptability and advanced capabilities. Furthermore, BoT-SORT demonstrated superior performance over Byte Track, achieving higher IoU and lower center error in most cases, indicating more accurate and stable tracking. Code: https://github.com/zmanaa/UAV_detection_and_tracking Tracking demo: https://drive.google.com/file/d/1pe6HC5kQrgTbA2QrjvMN-yjaZyWeAvDT/view?usp=sharing
• Abstract（参考訳）: 無人航空機(UAV)は様々な分野で人気を博し、多くの利点を提供しているが、プライバシーと安全性に重大な課題をもたらす。 本稿では,これらの問題に対処する四極子UAVの検出と追跡のための最先端のソリューションについて検討する。 切削エッジディープラーニングモデル、特にYOLOv5とYOLOv8シリーズは、UAVを正確かつ迅速に識別する性能で評価されている。 さらに、堅牢なトラッキングシステムであるBoT-SORTとByte Trackが統合され、困難な条件下でも信頼性の高い監視が保証される。 DUTデータセットに対するテストの結果, YOLOv5モデルは検出精度でYOLOv8を上回っているのに対して, YOLOv8モデルは, 異なるオブジェクトを認識するのに優れ, 適応性と高度な能力を示す。 さらに, BoT-SORTはByte Trackよりも優れた性能を示し, 高いIoUと低い中心誤差を実現し, より正確で安定したトラッキングを実現した。 コード: https://github.com/zmanaa/UAV_detection_and_tracking tracking demo: https://drive.google.com/file/d/1pe6HC5kQrgTbA2QrjvMN-yjaZyWeAvDT/view? usp=共有

関連論文リスト

• SFTrack: A Robust Scale and Motion Adaptive Algorithm for Tracking Small and Fast Moving Objects [2.9803250365852443]
  本稿では,無人航空機(UAV)映像における多物体追跡の問題に対処する。 交通監視システムや警察によるリアルタイム容疑者追跡など、様々なUAVアプリケーションにおいて重要な役割を果たしている。 低信頼度検出から対象物体の追跡を開始する新しい追跡戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-26T05:09:20Z)
• UAVDB: Trajectory-Guided Adaptable Bounding Boxes for UAV Detection [0.03464344220266879]
  パッチ強度収束(Patch Intensity Convergence、PIC)技術は、手動ラベリングなしでUAV検出のための高忠実なバウンディングボックスを生成する。 この技術は、UAV検出に特化した専用データベースであるUAVDBの基礎となる。 我々は,最先端(SOTA)YOLO系列検出器を用いてUAVDBをベンチマークし,総合的な性能解析を行った。
  論文  参考訳（メタデータ） (2024-09-09T13:27:53Z)
• Investigating YOLO Models Towards Outdoor Obstacle Detection For Visually Impaired People [3.4628430044380973]
  7種類のYOLOオブジェクト検出モデルが実装された。 YOLOv8は最高のモデルであることが判明し、その精度は80ドルに達し、よく知られたObstacleデータセットでは68.2%だった。 YOLO-NASは障害物検出作業に最適であることがわかった。
  論文  参考訳（メタデータ） (2023-12-10T13:16:22Z)
• BEVTrack: A Simple and Strong Baseline for 3D Single Object Tracking in Bird's-Eye View [56.77287041917277]
  3Dシングルオブジェクトトラッキング(SOT)はコンピュータビジョンの基本課題であり、自律運転のようなアプリケーションに不可欠なことを証明している。 本稿では,単純で効果的なベースライン手法であるBEVTrackを提案する。 Bird's-Eye View (BEV) における目標運動を推定して追跡を行うことにより、BEVTrackは、ネットワーク設計、トレーニング目標、トラッキングパイプラインなど、様々な側面から驚くほどの単純さを示しながら、優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-09-05T12:42:26Z)
• Evidential Detection and Tracking Collaboration: New Problem, Benchmark and Algorithm for Robust Anti-UAV System [56.51247807483176]
  無人航空機(UAV)は輸送、監視、軍事など多くの地域で広く使われている。 従来は、UAVの先行情報が常に提供されていた追跡問題として、このようなアンチUAVタスクを単純化していた。 本稿では,従来のUAV情報を含まない複雑な場面において,UAVの認識を特徴とする新しい実用的対UAV問題を初めて定式化する。
  論文  参考訳（メタデータ） (2023-06-27T19:30:23Z)
• Video object tracking based on YOLOv7 and DeepSORT [7.651368436751519]
  我々は、DeepSORTのオブジェクト検出部としてYOLOv7を提案し、YOLOv7-DeepSORTを提案する。 実験の結果、従来のYOLOv5-DeepSORTと比較して、YOLOv7-DeepSORTの性能はトラッキング精度が向上した。
  論文  参考訳（メタデータ） (2022-07-25T13:43:34Z)
• Vision-based Anti-UAV Detection and Tracking [18.307952561941942]
  無人航空機(UAV)は様々な分野で広く使われており、セキュリティやプライバシーへの侵入が社会の関心を喚起している。 本稿では,ダリアン工科大学アンチUAVデータセット,DUTアンチUAVという可視光モードデータセットを提案する。 検出データセットには、合計1万の画像と、短期および長期のシーケンスを含む20のビデオの追跡データセットが含まれている。
  論文  参考訳（メタデータ） (2022-05-22T15:21:45Z)
• A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)
• Anti-UAV: A Large Multi-Modal Benchmark for UAV Tracking [59.06167734555191]
  Unmanned Aerial Vehicle (UAV)は、商業とレクリエーションの両方に多くの応用を提供している。 我々は、UAVを追跡し、位置や軌道などの豊富な情報を提供するという課題を考察する。 300以上のビデオペアが580k以上の手動で注釈付きバウンディングボックスを含むデータセット、Anti-UAVを提案します。
  論文  参考訳（メタデータ） (2021-01-21T07:00:15Z)
• Cascaded Regression Tracking: Towards Online Hard Distractor Discrimination [202.2562153608092]
  本稿では,2段階の逐次回帰トラッカーを提案する。 第1段階では, 容易に同定可能な負の候補を抽出する。 第2段階では、残留するあいまいな硬質試料をダブルチェックするために、離散サンプリングに基づくリッジ回帰を設計する。
  論文  参考訳（メタデータ） (2020-06-18T07:48:01Z)
• Robust Visual Object Tracking with Two-Stream Residual Convolutional Networks [62.836429958476735]
  視覚追跡のための2ストリーム残差畳み込みネットワーク(TS-RCN)を提案する。 私たちのTS-RCNは、既存のディープラーニングベースのビジュアルトラッカーと統合することができます。 トラッキング性能をさらに向上するため、我々はResNeXtを特徴抽出バックボーンとして採用する。
  論文  参考訳（メタデータ） (2020-05-13T19:05:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。